Klasifikasi 10 Spesies Monyet Berdasarkan Citra Menggunakan Convolutional Neural Network
Abstract
Dengan perkembangan pesat kecerdasan buatan, sekarang memungkinkan untuk melakukan klasifikasi citra secara otomatis. Klasifikasi spesies pada hewan kerap kali dilakukan secara manual sehingga membutuhkan sumber daya yang banyak. Pada penelitian ini dilakukan klasifikasi citra monyet dengan menggunakan deep learning. Klasifikasi dilakukan dengan menggunakan data citra atau gambar dari 10 spesies monyet menggunakan Convolutional Neural Network (CNN). Jumlah data yang digunakan pada penelitian ini sebanyak 1370 gambar . Untuk meningkatkan variasi data, maka dilakukan proses Augmentasi citra. Pembagian data latih dan uji sebesar 1098 data latih dan 272 data uji. Hasil yang diperoleh pada penelitian ini adalah model CNN dapat mengklasifikasikan jenis monyet dengan tingkat akurasi 78%.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Agarap, A. F. (2017). An Architecture Combining Convolutional Neural Network (CNN) and Support Vector Machine (SVM) for Image Classification. CoRR, https://dblp.org/rec/journals/corr/abs-1712-03541.bib
Andono, P. N., Sutojo, T., & Mulijono. (2017). Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI.
Inoue, H. (2019). Multi-Sample Dropout for Accelerated Training and Better Generalization. CoRR, abs/1905.09788.
Kannojia, S. P., & Jaiswal, G. (2018). Effects of Varying Resolution on Performance of CNN based Image Classification An Experimental Study. International Journal of Computer Sciences and Engineering, 6(9), 451–456. https://doi.org/10.26438/ijcse/v6i9.451456.
Maduwuba, E., Dharanikota R. K., & Kamaljeet S. M. (2020). Performing Image Classification for 10
Different Monkey Species using CNN. ECE 9309B: Machine Learning: From Theory to Applications. Western University of Ontario.
Monyet. (2021, Februari 28). Di Wikipedia, Ensiklopedia Bebas. Diakses pada 12:05, Februari 28, 2021, dari https://id.wikipedia.org/w/index.php?title=Monyet&oldid=18048333
Mubarok, H., Sylviana M., & Mayanda M. S. “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Tingkat Kematangan Buah Tomat Berdasarkan Fitur Warna”. SENAMIKA 2.1 (2021).
Razzak, M. I., Naz, S., & Zaib, A. (2017). Deep Learning for Medical Image Processing: Overview, Challenges and the Future. Lecture Notes in Computational Vision and Biomechanics, 323–350. https://doi.org/10.1007/978-3-319-65981-7_12.
Rossi, M. (2019). Synthetic image generator for defocusing and astigmatic PIV/PTV. Measurement Science and Technology, 31(1), 017003. https://doi.org/10.1088/1361-6501/ab42bb
Sun, Y., Xue, B., Zhang, M., Yen, G. G., & Lv, J. (2020). Automatically Designing CNN Architectures Using the Genetic Algorithm for Image Classification. IEEE Transactions on Cybernetics, 50(9), 3840–3854. https://doi.org/10.1109/tcyb.2020.2983860.
V. Christlein, L. Spranger, M. Seuret, A. Nicolaou, P. Král and A. Maier, "Deep Generalized Max Pooling," 2019 International Conference on Document Analysis and Recognition (ICDAR), 2019, pp. 1090-1096, doi: 10.1109/ICDAR.2019.00177.
White, R. (2017). CHEC: a Compact High Energy Camera for the Cherenkov Telescope Array. Journal of Instrumentation, 12(12), C12059. https://doi.org/10.1088/1748-0221/12/12/c12059
Yohannes, Y., Sari, Y., & Feristyani, I. (2019). Klasifikasi Wajah Hewan Mamalia Tampak Depan Menggunakan k-Nearest Neighbor Dengan Ekstraksi Fitur HOG. Jurnal Teknik Informatika Dan Sistem Informasi, 5(1). https://doi.org/10.28932/jutisi.v5i1.1584.
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Senamika
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.